Page 28 - Trabajo EBOOK

27

lugar de duplicarlas. La capacidad de los ordenadores paralelamente. En la IA conexionista estas unidades son
para realizar tareas específicas mejor que las personas modelos aproximados de la actividad eléctrica de las
ya se ha demostrado. En ciertos dominios los avances de neuronas biológicas. Ya en 1943 se propuso un modelo
la IA débil superan en mucho la pericia humana, como simplificado de neurona en base a la idea de que una
por ejemplo en buscar soluciones a formulas lógicas con neurona es esencialmente una unidad lógica [2]Este
muchas variables. También se asocia con la IA débil el modelo es una abstracción matemática con entradas
hecho de formular y probar hipótesis acerca de aspectos (“dendritas”) y salidas (“axones”). El valor de la salida se
relacionados con la mente (por ejemplo, la capacidad de calcula en función del resultado de una suma ponderada
razonar deductivamente, de aprender inductivamente, de las entradas de forma que si dicha suma supera un
etc.) mediante la construcción de programas que llevan umbral pre-establecido entonces la salida es un “1”, en
a cabo dichas funciones. Todos los avances logrados caso contrario la salida es “0”. Conectando la salida de
hasta ahora en el campo de la IA son manifestaciones de cada neurona con las entradas de otras neuronas se forma
la IA débil. [2] una red neuronal artificial. Inspirándose en un modelo de
reforzamiento de las sinapsis entre neuronas biológicas,
2.3 Los principales modelos en Inteligencia propuesto por Donald Hebb [2]se vió que estas redes
Artificial: Simbólico, Conexionista, neuronales artificiales se podían entrenar para aprender
Evolutivo y Corpóreo funciones que relacionaran las entradas con las salidas
mediante el ajuste de los pesos que sirven para ponderar
El modelo dominante en IA ha sido el simbólico, que las conexiones entre neuronas, por este motivo se pensó
tiene sus raíces en la hipótesis SSF. De hecho, sigue que serían mejores modelos para el aprendizaje, la
siendo muy importante y actualmente se considera el cognición y la memoria, que los modelos basados en la
modelo clásico en IA (también denominado por el IA simbólica. Sin embargo, los sistemas inteligentes
acrónimo GOFAI de Good Old Fashioned AI). Es un basados en la IA conexionista tampoco necesitan formar
modelo top-down que se basa en el razonamiento lógico parte de un cuerpo ni estar situado en un entorno real y,
y la búsqueda heurística como pilares para la resolución desde este punto de vista, tienen las mismas limitaciones
de problemas, sin que el sistema inteligente necesite que los sistemas de IA simbólica.
formar parte de un cuerpo ni estar situado en un entorno
real. Es decir, la IA simbólica opera con Por otra parte, las neuronas reales poseen complejas
representaciones abstractas del mundo real que se arborizaciones dendríticas con propiedades, no solo
modelizan mediante lenguajes de representación eléctricas sino también químicas, nada triviales. Pueden
basados principalmente en la lógica matemática y sus contener conductancias iónicas que producen efectos no-
extensiones. Por este motivo los primeros sistemas lineales. Pueden recibir decenas de millares de sinapsis
inteligentes resolvían principalmente problemas que no variando en posición, polaridad, magnitud. Además, hoy
requerían interactuar directamente con el entorno como día sabemos que en el cerebro hay unas células llamadas
por ejemplo demostrar teoremas o jugar al ajedrez (los gliales que regulan el funcionamiento de las neuronas
sistemas de IA que juegan al ajedrez no necesitan la siendo incluso más numerosas que éstas. No existe
percepción visual para ver las piezas en el tablero ni ningún modelo conexionista que incluya a dichas células
manos artificiales para mover las piezas). [3] Ello no por lo que en el mejor de los casos estos modelos son muy
significa que la IA simbólica no pueda ser usada para, incompletos y en el peor de los casos erróneos. [5] En
por ejemplo, programar el módulo de razonamiento de definitiva, toda la enorme complejidad del cerebro queda
un robot físico situado en un entorno real, pero en los muy lejos de los modelos actuales y plantea serias dudas
primeros años los pioneros de la IA no disponían de sobre la utilidad de grandes proyectos como el proyecto
lenguajes de representación del conocimiento ni de “Blue Brain” [3] de la UE. Esta inmensa complejidad del
programación que permitieran hacerlo de forma cerebro también me hace a pensar que la llamada
eficiente y por este motivo los primeros sistemas “singularidad” (futuras superinteligencias artificiales que
inteligentes se limitaron a resolver problemas que no superaran con mucho la inteligencia humana en un plazo
requerían interacción directa con el mundo real. de unos treinta años) es una predicción con muy poco
Actualmente la IA simbólica se sigue usando para fundamento.
demostrar teoremas o jugar al ajedrez, pero, gracias a los Otra modelización bio-inspirada, también compatible con
progresos en representación de conocimientos y visión la hipótesis SSF, es la computación evolutiva. Los éxitos
artificial, también se puede usar para aplicaciones que de la biología evolucionando organismos complejos, hizo
requieren percibir el entorno y actuar sobre él como por que desde los años 60 algunos investigadores se
ejemplo el aprendizaje y la toma de decisiones en robots plantearan la posibilidad de imitar la evolución con el fin
autónomos.
de que los programas de ordenador mejorasen
Simultáneamente con la IA simbólica también empezó automáticamente las soluciones a los problemas para los
a desarrollarse una IA bio-inspirada llamada que habían sido programados, mediante un proceso
conexionista. Los sistemas conexionistas no son evolutivo [3]. La idea es que estos programas, gracias a
incompatibles con la hipótesis SSF, pero, operadores de mutación y cruce de “cromosomas” que
contrariamente a la IA simbólica, se trata de una modelizan a los programas, generan nuevas generaciones
modelización bottom-up, ya que también se basan en la de programas modificados cuyas soluciones son mejores
hipótesis de que la inteligencia emerge a partir de la que las de los programas de las generaciones anteriores.
actividad distribuida de un gran número de unidades Dado que podemos considerar que el objetivo de la IA es
interconectadas que procesan información la búsqueda de programas capaces de producir conductas
inteligentes, se pensó que se podría usar la programación